计算机视觉+人工智能面试笔试总结——深度学习基础题41~51

目录

41.CNN 结构特点

42.CNN 权值共享问题

43.卷积层与全连接层的区别

44.卷积和池化操作的作用

45.优化算法理解

46.为什么交叉熵可以用作代价函数

47.交叉熵损失函数

48.softmax 回归

49.理解边界效应与填充 padding

50.卷积层和池化输出大小计算

51.滤波器与卷积核

---

41.CNN 结构特点

典型的用于分类的CNN主要由**卷积层+激活函数+池化层**组成，最后用全连接层输出。卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果。

`CNN` 具有局部连接、权值共享、池化操作(简单说就是下采样)和多层次结构的特点。

+ 局部连接使网络可以提取数据的局部特征。
+ 权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积。
+ 池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。
+ 卷积神经网络学到的模式具有平移不变性（`translation invariant`），且可以学到模式的空间层次结构。
 

42.CNN 权值共享问题

首先**权值共享就是滤波器共享**，滤波器的参数是固定的&#